Delphi Scanner detecta malware Windows com CNN sobre sequências de API e resiste a empacotamento e evasão adversarial
O Delphi Scanner é um sistema de detecção estática de malware para executáveis PE do Windows que combina uma rede neural convolucional sobre sequências de chamadas de API com uma camada de interpretação baseada em regras, atingindo 95,35% de acurácia em mais de 190 mil arquivos com um modelo de apenas 1,53 MB. Testes de robustez em amostras fora de distribuição e sob três estratégias de manipulação adversarial mostram resistência a técnicas de evasão que preservam a funcionalidade do malware.
O problema que este artigo ataca é o equilíbrio, historicamente difícil, entre eficácia de detecção, custo computacional e interpretabilidade em ferramentas de segurança que precisam rodar localmente (endpoint) em vez de na nuvem. Soluções puramente estatísticas de deep learning tendem a ser caixas-pretas difíceis de auditar por analistas, enquanto abordagens baseadas em regras são interpretáveis mas frágeis a variações de malware. O Delphi Scanner tenta capturar os dois lados: uma CNN aprende padrões em sequências de chamadas de API do Windows extraídas estaticamente do binário, e uma camada de interpretação separada, baseada em regras, traduz essas sequências em categorias de capacidade maliciosa legíveis por humanos, como persistência, exfiltração ou evasão de defesa.
A escolha de modelar sequências de API (em vez de bytes brutos ou apenas imports estáticos) captura melhor a intenção comportamental do binário sem precisar executá-lo em sandbox, o que é mais rápido e mais seguro para triagem em massa. O footprint de 1,53 MB é um dado prático relevante: modelos desse tamanho cabem confortavelmente em agentes de endpoint com recursos limitados, ao contrário de muitos classificadores baseados em transformers que exigem GPU ou chamadas a APIs externas — uma vantagem operacional concreta para deployment local sem dependência de conectividade ou custo por inferência.
A validação foi feita em escala: mais de 190 mil arquivos PE no treinamento/teste principal, mais 5.647 amostras fora de distribuição do MalwareBazaar para medir generalização, e pares de executáveis empacotados/desempacotados mais três estratégias de manipulação adversarial para medir resistência a evasão funcional-preservante (técnicas que alteram a superfície estática do binário sem mudar seu comportamento real). A robustez mantida sob essas condições é o que diferencia este trabalho de muitos classificadores de malware que relatam alta acurácia apenas em conjuntos de teste i.i.d., mas colapsam diante de amostras levemente diferentes ou deliberadamente ofuscadas.
Do ponto de vista prático, este é um exemplo de IA como ferramenta defensiva: diferente dos itens sobre ataques a analisadores de IA, aqui a IA é a peça central de um pipeline de detecção, e o valor do artigo está em demonstrar que é possível obter interpretabilidade, eficiência e alguma robustez adversarial simultaneamente sem recorrer a modelos de linguagem pesados — um contraponto interessante para equipes avaliando se vale a pena usar LLMs versus classificadores especializados menores para triagem de malware em produção.